Analizar la performance de la técnica de espectrometrÃa de masa MALDI-TOF-MS (Matrix Assisted Laser Desorption Ionization – Time of Flight – Mass Spectrometry) como una metodologÃa de diagnóstico molecular alternativa para COVID-19. El análisis de los espectros se hará con el software libre R en una estrategia de machine learning y con la integración de esta estrategia en una plataforma web de libre acceso. Este desarrollo podrÃa complementar con precio y complejidad bajos, la demanda de determinaciones diagnósticas en esta situación de crisis sanitaria mundial.
Nasopharyngeal swabs (1µl)
Metal plate (Electrode)
1µl of Alfa-cyano-4-hydroxycinnamic acid matrix (HCCA) (Sigma). (0.2 dollars /spot ~ 20 dollars/Electrode)
30 minutes UV.
Microflex LT mass spectrometer (Brüker)
Raw mass spectrum (flexControl 3.4.135.0. Brüker)
Mass spectra files (.mzML)
El esquema de trabajo seleccionado para el estudio de clasificación, consiste en el uso del paradigma machine learning (una rama de la inteligencia artificial). Este implica entrenar y testear modelos de clasificación en sets de datos aleatoriamente generados. Los distintos algoritmos de clasificación seleccionan señales espectrales diferenciales entre los grupos en cuestión (entrenamiento) aprendiendo a diferenciar las categorÃas en función de las caracterÃsticas de las mismas (picos del espectro). Luego se testea ese aprendizaje en un set de datos testigo (testeo) y posteriormente en set de datos de validación (ciegos). El software libre RStudio fue el seleccionado para implementar dichos algoritmos de machine learning. Por último, estos algoritmos se pueden hacerse accesibles al público mediante distintas plataformas, para este trabajo se seleccionaron plataformas web.
El esquema de clasificación consiste en primera medida aplicar el modelo que diferencia Cov.Pos de Cov.Neg, luego sobre cada conjunto se aplica el modelo Cov.Pos/Flu.Pos y Cov.Neg/Flu.Pos, respectivamente. Resultados posibles:
Cov.Pos + Cov.Pos = Cov.Pos y Flu.Neg
Cov.Pos + Flu.Pos = Cov.Neg y Flu.Pos
Cov.Neg + Flu.Pos = Cov.Neg y Flu.Pos
Cov.Neg + Flu.Neg = Cov.Neg y Flu.Neg
| Conjunto.de.datos | Composición | Exactitud | Especificidad | Sensibilidad | NPV | PPV |
|---|---|---|---|---|---|---|
| Datos Test.HC | 13 Cov.Neg / 12 Cov.Pos | 70.9 | 46.8 | 95 | 90.3 | 64.7 |
| Datos.HC Validación.1 | 12 Cov.Neg / 6 Cov.Pos | 72.2 | 58.3 | 100 | 100 | 54.5 |
| Datos.HC Validación.2 | 6 Cov.Neg / 4 Cov.Pos | 70 | 50 | 100 | 100 | 50 |
| Datos.Malbrán Validación.1 | 11 Cov.Neg / 13 Cov.Pos | 66.6 | 27.7 | 100 | 100 | 61.9 |
| Datos.Malbrán Validación.2 | 14 Cov.Neg / 12 Cov.Pos | 50 | 21.4 | 83.3 | 60 | 47.6 |
| Conjunto.de.datos | Composición | Exactitud | Especificidad | Sensibilidad | NPV | PPV |
|---|---|---|---|---|---|---|
| Datos.HC Validación.1 | 12 Flu.Neg / 6 Flu.Pos | 88.9 | 91.7 | 83.3 | 91.7 | 83.3 |
| Datos.HC Validación.2 | 7 Flu.Neg / 3 Flu.Pos | 90 | 87.5 | 100 | 100 | 66.7 |